2025年还没过完，但国内大模型应用创业公司的盘子已经基本定型了。我因为在做一些企业智能化选型咨询的工作，这一年里密集接触了少说二十多家不同背景的创业团队，也帮几家甲方做过技术比对和商务尽调。说实话，现在去搜“大模型创业公司盘点”，出来的榜单基本都是按融资额、估值或者名气排的，真正对选型有用、能落地的视角并不多。这篇文章我想换个讲法，不按“第一梯队第二梯队”那种军备竞赛的逻辑来排序，而是从“你拿着预算去挑供应商时，实际会遇到哪些不同类型的玩家、该怎么分辨、怎么考察”这个角度切入，把2025年的创业公司格局重新拆一遍。标题里写了“多维视角”，这个词不是修饰，是刚需。因为现在“大模型应用创业公司”这八个字，涵盖的公司形态差异之大，远超外界想象。有做底层微调的，有做知识库问答的，有做Agent编排平台的，有做垂直行业套件的，还有做模型评测和可观测性的……它们都叫“大模型应用创业公司”，但你用同一套标准去考察它们，一定会得出错误的结论。所以这篇文章先帮各位把这些公司的生态位分清楚，再给一套我实际在用的考察框架，最后把这一两年我见过的、听到过的翻车案例也一并列出来。如果你2025年手握预算准备引入大模型应用方案，或者你自己就在这类创业公司里工作，想把行业格局看得更透一些，这篇文章应该能帮上忙。1. 先分清这群玩家站在产业链的哪个位置2025年的一个显著变化是：大模型应用创业公司不再是一个笼统的概念，产业链的纵向分工已经非常清晰了。拿我接触过的团队做样本，大致可以分成四类。这个分类比看融资额更能解释“这家公司到底在卖什么”。1.1 通用底座型：目标远大但离业务场景最远这类公司是外界关注度最高的，它们做的事情，用一个类比来说就是“研发新的发电方式”，目标不是做某一台具体的电器，而是让整个电网更强大。2025年这个赛道上还活着的创业公司，要么背后有极强的算力和算法资源支持，要么在某些特定模态（比如语音、多模态理解）上确实有独家积累，否则很难在已有的头部底座模型面前找到存在感。从选型角度看，如果你是一家普通企业，大概率不是这类公司的目标客户。它们主要面向开发者、面向其他做应用的创业公司，以API、开源权重或者云服务的方式提供服务。你真正需要关注它的点是：这家底座模型的迭代速度和开放程度。迭代速度决定了你的应用跟着它走会不会被甩开，开放程度决定了你愿不愿意把自己场景里的数据资产押在它的生态上。我在和一些企业CTO交流时发现，很多人会冲着“国产自研底座”这个名头去选，但实际上它的API稳定性、文档完善度、版本兼容性才是日常使用中最要命的东西。这部分我们后面细说。1.2 垂直模型与中间件型：卡在模型与场景之间的“胶水层”这一层是2025年创业公司最密集的生态位，通俗点讲就是“不自己发电，但做变电和输电网”。它们做的事情通常包括三类：一是在开源底座模型之上做继续预训练或行业微调，让模型更懂某个行业的术语和业务流程；二是做模型与应用之间的中间件层，比如统一API网关、模型路由、提示词工程框架、评测和监控平台等；三是做专业领域的专用小模型，在特定任务上做到比通用大模型更准、更快、更便宜。我对这类公司的评价是“价值真实存在，但壁垒存疑”。模型微调这件事，进入门槛其实不高，真正难的是持续跟进底座模型版本的更新。你今年微调出来的行业模型，明年底座模型升一个大版本，之前的投入可能就要打折。所以这类公司里做得好的，往往会强调自己在数据飞轮和评测集上的积累，而不是强调微调这件事本身。中等水平的则很容易沦为“套壳公司”，对外说得天花乱坠，实际上你把它的模型和底座模型放在一起做盲测，效果差距并不明显。1.3 行业应用型：直接对业务结果负责，工作最苦最累这是我个人认为2025年最值得关注、也最容易被榜单忽视的一类。它们做的事情不是“做一个通用的AI助手”，而是“在某个具体行业里，把大模型变成一条跑得通的生产线”。例子包括面向法律行业的案卷分析系统、面向政务的热线工单自动分拣、面向医疗的辅助问诊和随访、面向工业的质检报告生成等等。这类公司的特点是，技术可能不是最前沿的，但业务理解一定是最深的。它们是“既懂发电，也懂电器，还知道电器要摆在哪个房间里”的人。选这类公司合作时，你需要关注的不是它的PPT上写了多少参数，而是它在这个行业里究竟沉淀了哪些客户成功案例、哪些标准化产品模块。一个典型的趋势是，2025年做得好的行业应用公司，普遍在向“产品化+行业套装”方向转型，纯定制交付的项目型公司生存压力会越来越大。1.4 模型工具链型：专门给淘金者卖铲子和牛仔裤最后一类有点反直觉，它们的目标客户不是企业业务部门，而是其他做AI应用开发的团队。它们提供大模型开发过程中需要的周边工具：数据标注与合成平台、模型评测与安全对齐工具、推理加速与部署方案、可观测性与日志分析系统等。2025年一个有意思的现象是，工具链型公司的增长反而比应用型公司更稳。因为做应用的公司换了一茬又一茬，今天融到钱明天可能就转型了，但所有做应用的公司都需要评测、部署和监控。如果你所在团队自己就在做AI原生应用，工具链型供应商的选型同样重要，它决定了你的研发效率和线上稳定性。这个生态位在国外已经有很成熟的商业形态，国内这几年也慢慢跑出来了一些。生态位类型核心交付物典型客户选型关注点通用底座型API、模型权重、云服务开发者、应用型创业公司迭代速度、API稳定性、开放程度垂直模型/中间件型行业微调模型、中间件平台行业应用开发商、中大型企业评测集积累、版本兼容性、数据飞轮行业应用型成套业务系统、行业解决方案政企、行业头部企业行业Know-how、标准化产品、交付案例模型工具链型评测、部署、可观测工具AI研发团队生态兼容性、自动化程度、成本透明度2. 技术路线的分野：同样叫“大模型应用”，技术底子可能完全不同如果说生态位解决的是“这家公司摆在产业链的哪个环节”，那技术路线解决的就是“它用什么样的技术组合来实现应用效果”。2025年的技术共识已经结束，各家用的大模型底层方案的差异其实没有那么大，真正的差异体现在微调、检索增强、Agent这三种核心路线的侧重上。2.1 微调派：把底座模型改造成行业“专家”微调路线的创业公司核心方法论是：基座大模型能力再强，也是通用能力。想要它在某个垂直领域输出稳定、术语专业、符合规范，就必须用高质量的领域数据对它进行有监督微调，或者用偏好对齐的方式调教它的行为。2025年，低成本微调的技术越来越成熟，比如只训练部分参数的方案已经能让中小创业公司用很小的成本得到不错的行业模型。但这个路线的坑在哪里？我见过好几家微调型创业公司，为了向客户证明自己技术实力，把大量领域数据灌进去训练，结果在评测集上分数很高，到了真实业务场景反而出现严重的幻觉和覆盖不足。原因不复杂：微调能强化模型见过的知识，但对训练数据未覆盖的边角场景，模型的行为没人能保证。所以现在成熟的微调团队在谈项目时，一定会跟你聊“数据覆盖度”和“评测边界”，而不是只聊“效果提升百分之多少”。如果你在选型时听到对方只讲指标不讲边界，就要多留一个心眼了。2.2 检索增强（RAG）派：用可控的知识库换回答的确定性RAG路线在2025年已经“烂大街”了，但这个路线本身的价值被低估了。它的核心思路不追求让模型记住所有知识，而是把知识放在外部知识库里，模型只负责根据检索到的片段来组织回答。这个路线最大的优势是可控性：知识库可以随时更新，回答可以引用来源，幻觉可以被大幅压缩。对于企业场景，RAG其实比微调更刚需。不过这并不意味着RAG没有技术含量。恰恰相反，2025年的RAG已经演进到“高级阶段”了，遇到的主要矛盾从“能不能搜到”变成了“大量资料存在但精确问答效果差”。问题几乎都出在复合查询和长文档理解上，一个查询往往同时涉及多个条件，而长文档里关键信息分散在各个章节，普通的向量检索根本抓不住。做得好的RAG型创业公司，在这一年的技术竞争力已经完全从“换个向量数据库”升级到了重排策略优化、查询改写、摘要树构建这些深水区。选这类公司时，光看知识库截图是没有意义的，一定要用你自己行业的复杂业务问题去实测。2.3 Agent派：从“会聊天”进化为“会办事”Agent是2025年最热的方向，没有之一。技术内核是把大模型从一个文本生成工具，变成能理解任务、拆解步骤、调用工具、执行动作、根据反馈调整策略的数字员工。在实际落地场景里，Agent已经能承担复杂事件分析、异构系统联动、多轮自主排查等任务，远远超出了传统“聊天机器人”的能力范围。但Agent路线也是2025年“概念溢价”最严重的领域。很多公司PPT里的Agent能够独立完成业务全流程，真正到了POC环境，跑通一个中等复杂度的场景就要靠开发人员现场救火。根本原因在于Agent的可靠性工程还很不成熟：任务的拆解是否合理、工具调用的出错率是否符合生产要求、多Agent之间的协作是否存在死锁和循环，这些都是当前最棘手的问题。选Agent方向的供应商，我的建议是不要看任何录屏Demo，而是要求现场准备一个你们的真实业务任务，让它在生产环境里裸跑一遍，跑完之后再决定要不要往下谈。2.4 三种技术路线的选型逻辑与考察要点没有最好的技术路线，只有和最匹配的。这里给一个我实际用的选择框架，在考察供应商时可以带着这几个问题去聊：你的场景是不是要求输出必须可解释、可溯源？如果是，RAG路线优先。你的场景是不是有大量独特术语和固定话术规范？如果是，微调路线更重要。你的场景是不是涉及大量异构系统操作和长流程执行？如果是，Agent路线才有价值。绝大多数实际业务场景，最终都是两两组合甚至三者混合的，所以不必被供应商贴的“我们是Agent公司”或者“我们专注RAG”这类标签牵着走，要问清楚的是它的技术栈里每个环节的成熟度和短板在哪里。技术路线核心优势主要风险适合场景考察关键微调领域风格对齐、术语专业覆盖不全、数据成本高专业内容生成、客服话术评测集边界、数据来源检索增强可控可溯、知识实时更新复杂查询效果波动企业知识库、文档问答复杂问题实测、重排策略Agent自动化执行、流程编排可靠性差、调试复杂业务自动化、运维诊断端到端任务裸跑、失败恢复3. 商业模式的真实度：2025年这些创业公司到底在靠什么赚钱看任何盘点都不能只看技术和产品，商业模式直接决定一家供应商能活多久，而供应商的存活能力对你来说是隐性的风险。这一节我想说说2025年大模型应用创业公司的主流赚钱方式，以及怎么判断它是不是在“赔本赚吆喝”。3.1 订阅制和调用费：看起来很美，但利润不一定美不少创业公司表面上卖的是SaaS订阅或者按调用量计费的API，客单价看着不高，但胜在可以规模化复制。这类模式的问题在于，底座模型的推理成本虽然一直在降，2025年已经比两年前便宜了一个数量级，但对创业公司来说，纯粹的API转售利润已经被压得很薄。你买它一个API，它自己还要向上游底座模型交调用费，中间的毛利率可能只有两成到三成，扣掉销售和研发成本，基本不赚钱。所以一个行业里都知道的判断标准是：如果一家公司只按调用量收费，没有在场景里形成数据资产、没有在交付中沉淀出产品模块，那它的单位经济模型在这种竞争强度下很难长期跑通。选型时可以看看它的报价结构里是否包含平台费、实施费、维护费，一个健康的商业模式通常是混合收入，而不是单纯赌调用量爆发。3.2 项目制交付：现金流最稳，但公司越做越累另一种典型模式是项目制交付，给一家客户做一个定制化系统，收实施费用。2025年大量的行业应用创业公司主要收入还是来自这种模式，尤其是面向政企客户和大型国央企的团队。项目制的优点很明显，现金流稳定，客单价高，不需要靠外部输血就能活下来。缺点同样明显，人力密集、项目周期长、验收扯皮多，本质上是在用人力换收入，不太容易形成标准化复利。对选型方来说，项目制供应商最大的风险在于它产能有限。一旦它同时开工的项目变多，你的项目排期就会被拉长，支持资源也会被稀释。所以在商务谈判阶段，一定要问清楚：当前手上有几个并行项目、实施团队的规模是多少、有没有专门的后台研发团队。最好的情况是这家公司虽然以项目制起家，但已经在往产品化和行业套装的方向转，把交付过的场景沉淀成可配置的标准模块，这样才能在后续版本迭代和服务响应上给你持续保障。3.3 软硬一体模式：绑定场景，护城河与风险并存2025年的一个新变量是软硬一体模式明显变多了。这类公司不卖纯软件，而是把大模型应用装进一体机、边缘盒子、智能终端里，开箱即用。多模态能力下放到端侧的趋势越来越明显，背后靠的是模型压缩和推理加速技术的成熟，一体机方案也因此开始覆盖政务窗口、制造业产线、医疗机构这些对数据安全要求极高、又没法实时连云的场景。选这类公司时，不要光看硬件参数和单机演示，要重点考察三个细节：离线推理的精度损失有多大，在硬件环境受限时效果会不会明显缩水；硬件产品的兼容性如何，不同场景对摄像头、麦克风、传感器型号的要求各异，兼容性直接关系到落地难度；后续模型升级和远程运维的方案是否成熟，一体机类的产品如果模型升级依赖人工现场操作，长期来看运维成本会非常高。3.4 判断一家AI应用公司有没有“造血能力”的三个信号2025年市面上依然不缺顶着AI名号的创业公司，其中有一些本质上是打着大模型旗号的传统外包或者纯关系型生意。判断它是不是真实具备造血能力，我总结过三个信号，比较粗暴，但很管用。第一是看它的客户名单里有没有复购和增购，真正的产品型公司老客户续费率一般都高，收入结构里新客创造的价值占大头的话，说明产品粘性还比较弱；第二是看它的交付周期和回款账期，AI应用的毛利如果做不出来，项目就会拖得很重，一个正常的AI应用项目如果交付期超过六个月又说不清楚原因，这里面大概率有隐形的问题；第三是看它对外宣传和实际技术栈的口径一致性，把合作开发说成完全自研、把开源的微调框架说成独家技术，这类公司即便今天活着，技术信誉上的透支也早晚会在项目合作中反噬。4. 我在选型考察时真正会看的几个维度前面把产业格局和技术路线讲清楚了，接下来是全文最有操作价值的部分。毕竟看一圈外面的分析，最后还是要落到“我该不该选这家公司、怎么选”这个问题上。我在2025年做供应商调研时有一个体会：名气大的团队不一定好用，背景豪华的明星创业公司也可能在产品化上很薄弱。选型不能只看融资名单和创始团队履历，下面的几个维度是我在实操中总结出来的判断基准。4.1 看核心岗位的履历构成：既要算法基因，也要工程和行业基因很多公司喜欢把创始团队里几位算法专家的背景放到最显眼的地方，这个当然重要，但更关键的是看团队里有没有两类人。第一类是工程化背景的人，负责把模型的能力变成稳定运行的服务，负责处理高并发、数据安全、容灾这些东西，如果一家公司全都是科研背景而没有做过大规模系统的人，它的产品在上线后会让你体验到什么叫“科研级可用”；第二类是懂行业业务的人，大模型应用要落进业务流程，往往需要有人能跟业务部门对话，理解规范和痛点，纯技术团队做出来的东西经常在演示时惊艳、在真实业务里别扭。我在考察时不只看创始团队，还会重点问“你们最核心的两三个技术骨干分别负责什么”。如果对方回答得很具体，比如谁负责模型层、谁负责平台层、谁负责某个行业交付线，说明它的组织已经走到了专业化分工的阶段；如果含含糊糊地说“我们团队每个人都全能”，这种公司大概率还处在靠个别人撑场面的阶段。4.2 看Demo演示的一个关键细节：具体任务与开放域回答的比例创业公司Demo水平这两年“卷”出了新高度，现场演示流畅得不像真的，所以看点要更刁钻一些。我建议你在看Demo时偷偷统计一个问题：在对方的演示里，是向着预设好的问题路径推进为主，还是开放式的随机发问为主。如果它的技术负责人愿意让你现场出题，并且能面对刁钻问题坦然描述失败概率和处理策略，这家公司通常是对自己的技术有底气的。另一个细节是看它演示环境的网络和算力。我曾经遇到一家公司，Demo时画面极其流畅，后来聊深了才知道它演示时用的是公网较强的模型服务，到了客户内网环境效果直接打对折。选型时如果不问清楚模型部署形态、推理资源要求和网络依赖，POC阶段很容易被场景迁移的问题杀个措手不及。4.3 看交付全链路：从POC到上线的真实周期与验收标准很多选型方有一个认知偏差，觉得供应商POC做得好，正式项目就一定顺利。实际上POC和正式交付之间隔着一道巨大的鸿沟。POC通常只用少量干净数据跑效果验证，而正式交付要处理的问题往往包括脏数据清洗、权限体系对接、旧系统迁移和用户培训。所以我在帮企业选型时，一定会问供应商几个硬问题：最近的三个项目从签约到上线分别用了多长时间？中间最耗时的是哪个环节？有没有项目因为数据质量或者客户业务部门配合问题而延期？对方如果张口就能讲出具体的复盘，说明它真的是在做项目；如果只能泛泛而谈“我们的算法很先进”，那就是还没有被现实毒打过。还有一个必问项是验收标准。大模型应用的效果存在概率性，同一个问题不同时间问结果可能不一样，所以验收到底以什么为准就极其重要。成熟的供应商会跟你约定评测集、准确率指标、抽检规则和兜底机制；不成熟的供应商只会说“保证好用”这种没法执行的话。4.4 看生态兼容性：底座模型要是换了，你的应用还能不能活最后一个容易被忽视但是长远来看最重要的维度。很多创业公司在项目交付时，把底座模型的能力和外部依赖绑定得很深，导致应用看似是客户自己的，实际上被底座模型掐着命脉。2025年底座模型的格局还有变数，企业肯定希望应用层能保持一定的灵活性和可迁移性。在合同和技术方案上要确认三点：模型的调用是否封装成可替换的接口层，知识库和业务数据是否归客户所有且可导出，Agent流程和业务配置是否与应用层解耦。如果一家公司能做到“模型可替换、数据可带走”，至少说明它的架构是健壮的，也说明它有诚意跟你做长期生意而不是打算锁死你。反过来，如果对方反复强调“我们全套方案都是统一交付的，换掉任何一部分都会出问题”，这就不是优点，是高危警报。5. 避坑指南：2025年我看过的几种典型翻车现场前面四节偏方法论，这一节我想讲几个真实见闻。虽然不能点名具体公司，但下面这几个案例的类型，在这一年的企业选型中反复出现。把这些坑提前列出来，能帮你省下不少预算，也省掉很多扯皮的精力。5.1 把“模型能力”误当成“应用能力”有个客户的管理层很兴奋地开会说，他们看中了一家大模型公司，因为那家公司的模型在很多公开榜单上排名很靠前。但实际上，那家公司的模型能力再强，跟客户要解决的“合同审查自动化”是两码事。模型的榜单分数代表的是“通用知识问答能力”，而应用能力代表的是“把某个组织的业务规则、数据规范和决策流程变成系统功能的能力”。不少企业在这个上面踩坑，签完合同才发现，模型的通用能力并不能直接解决它们复杂的业务逻辑。选型时一定要分清自己买的是底座能力还是应用能力，两者在评估维度和风险上完全不同。5.2 只测准确率，不测延迟、成本和失败率2025年还有一个很典型的场景，POC阶段双方陷在“准确率谁高一点”的比拼上，选了一家准确率最高的供应商。等项目上线才发现，它的推理延迟高到用户无法接受，每次问答要等十几秒，或者单个请求的调用成本是另一家方案的三倍以上。更隐蔽的问题在于失败率：在实际生产环境里，大模型应用的失败包含回答跑偏、流程中断、超时回退等类型，高准确率并不等于高可用。做选型对比时务必把准确率、延迟、成本和失败率放进同一个评估维度里看，最好用统一的测试集和同一台硬件环境跑多轮对比，做到多目标平衡，而不是只盯着算法指标。5.3 忽略了“数据资产”才是应用的天花板大模型应用的效果有“三个七分靠数据”的说法，算法只负责把数据里的知识提取出来，数据本身的完整性、质量和更新机制决定了应用效果的上限。一家公司拥有顶尖的算法团队，和拥有一套健康的数据治理体系，对选型而言后者经常更关键。我见过一个制造业项目，算法团队前后换了三拨，最后发现根本问题在于现场的维修工单数据有一半是不完整或者格式混乱的，再厉害的模型也学不出有效规律。所以在考察供应商时，如果对方只谈模型和算法、绝口不提数据治理方案，那这个项目的天花板会很低。数据清洗方案、知识库更新机制、数据回流闭环，这些才是真正决定项目上限的部分。5.4 合同里没写清楚效果验收标准和运维责任最后一个坑是最常见的，也是最刺痛的。很多AI应用项目合同里的验收条款写得很笼统，比如“系统应能准确回答用户问题”，但大模型回答的“准确”怎么定义？人工抽检还是自动评测？准确率目标定在多少？不同行业不同场景，准确率的可接受范围天差地别。如果这些没有落到纸面上，到验收阶段就会陷入无穷无尽的扯皮，供应商说“效果已经达到行业平均水平”，客户说“我们觉得错误率还是太高”。此外还有运维责任的边界。大模型应用上线之后，模型的迭代升级、知识库的日常更新、异常回答的监控处理，到底归供应商管还是归客户自己的IT团队管？边界不清的话，系统一旦出问题就是一出大型甩锅现场。这些务虚但极其实用的条款，建议在合同阶段就请懂AI领域的法务仔细把关。结尾关于2025年国内大模型应用创业公司的格局和选型参考，前面已经聊得比较透了。最后分享一个我这一年感受最深的变化。早些时候大家普遍说“大模型是机会”，但现在已经明显分化成两条路：一条是把大模型当成技术噱头去包装概念的公司，另一条是真正把它当成业务流程的改造工具、一点一点去抠落地细节的团队。做选型时，我个人判断一个供应商值不值得长期合作，越来越倾向于看它对细节的态度，比如有没有跑通你们行业的脏数据，能不能说清楚自己方案在边界条件下的回退策略，愿不愿意在合同里把验收标准写得清清楚楚。技术日新月异，但做生意和做系统的底层逻辑从来都朴素而踏实。希望这篇基于真实走访和项目经验写成的盘点，能给正在做选型决策的你提供一个不一样的观察坐标。
2025年还没过完，但国内大模型应用创业公司的盘子已经基本定型了。我因为在做一些企业智能化选型咨询的工作，这一年里密集接触了少说二十多家不同背景的创业团队，也帮几家甲方做过技术比对和商务尽调。说实话，现在去搜“大模型创业公司盘点”，出来的榜单基本都是按融资额、估值或者名气排的，真正对选型有用、能落地的视角并不多。这篇文章我想换个讲法，不按“第一梯队第二梯队”那种军备竞赛的逻辑来排序，而是从“你拿着预算去挑供应商时，实际会遇到哪些不同类型的玩家、该怎么分辨、怎么考察”这个角度切入，把2025年的创业公司格局重新拆一遍。标题里写了“多维视角”，这个词不是修饰，是刚需。因为现在“大模型应用创业公司”这八个字，涵盖的公司形态差异之大，远超外界想象。有做底层微调的，有做知识库问答的，有做Agent编排平台的，有做垂直行业套件的，还有做模型评测和可观测性的……它们都叫“大模型应用创业公司”，但你用同一套标准去考察它们，一定会得出错误的结论。所以这篇文章先帮各位把这些公司的生态位分清楚，再给一套我实际在用的考察框架，最后把这一两年我见过的、听到过的翻车案例也一并列出来。如果你2025年手握预算准备引入大模型应用方案，或者你自己就在这类创业公司里工作，想把行业格局看得更透一些，这篇文章应该能帮上忙。1. 先分清这群玩家站在产业链的哪个位置2025年的一个显著变化是：大模型应用创业公司不再是一个笼统的概念，产业链的纵向分工已经非常清晰了。拿我接触过的团队做样本，大致可以分成四类。这个分类比看融资额更能解释“这家公司到底在卖什么”。1.1 通用底座型：目标远大但离业务场景最远这类公司是外界关注度最高的，它们做的事情，用一个类比来说就是“研发新的发电方式”，目标不是做某一台具体的电器，而是让整个电网更强大。2025年这个赛道上还活着的创业公司，要么背后有极强的算力和算法资源支持，要么在某些特定模态（比如语音、多模态理解）上确实有独家积累，否则很难在已有的头部底座模型面前找到存在感。从选型角度看，如果你是一家普通企业，大概率不是这类公司的目标客户。它们主要面向开发者、面向其他做应用的创业公司，以API、开源权重或者云服务的方式提供服务。你真正需要关注它的点是：这家底座模型的迭代速度和开放程度。迭代速度决定了你的应用跟着它走会不会被甩开，开放程度决定了你愿不愿意把自己场景里的数据资产押在它的生态上。我在和一些企业CTO交流时发现，很多人会冲着“国产自研底座”这个名头去选，但实际上它的API稳定性、文档完善度、版本兼容性才是日常使用中最要命的东西。这部分我们后面细说。1.2 垂直模型与中间件型：卡在模型与场景之间的“胶水层”这一层是2025年创业公司最密集的生态位，通俗点讲就是“不自己发电，但做变电和输电网”。它们做的事情通常包括三类：一是在开源底座模型之上做继续预训练或行业微调，让模型更懂某个行业的术语和业务流程；二是做模型与应用之间的中间件层，比如统一API网关、模型路由、提示词工程框架、评测和监控平台等；三是做专业领域的专用小模型，在特定任务上做到比通用大模型更准、更快、更便宜。我对这类公司的评价是“价值真实存在，但壁垒存疑”。模型微调这件事，进入门槛其实不高，真正难的是持续跟进底座模型版本的更新。你今年微调出来的行业模型，明年底座模型升一个大版本，之前的投入可能就要打折。所以这类公司里做得好的，往往会强调自己在数据飞轮和评测集上的积累，而不是强调微调这件事本身。中等水平的则很容易沦为“套壳公司”，对外说得天花乱坠，实际上你把它的模型和底座模型放在一起做盲测，效果差距并不明显。1.3 行业应用型：直接对业务结果负责，工作最苦最累这是我个人认为2025年最值得关注、也最容易被榜单忽视的一类。它们做的事情不是“做一个通用的AI助手”，而是“在某个具体行业里，把大模型变成一条跑得通的生产线”。例子包括面向法律行业的案卷分析系统、面向政务的热线工单自动分拣、面向医疗的辅助问诊和随访、面向工业的质检报告生成等等。这类公司的特点是，技术可能不是最前沿的，但业务理解一定是最深的。它们是“既懂发电，也懂电器，还知道电器要摆在哪个房间里”的人。选这类公司合作时，你需要关注的不是它的PPT上写了多少参数，而是它在这个行业里究竟沉淀了哪些客户成功案例、哪些标准化产品模块。一个典型的趋势是，2025年做得好的行业应用公司，普遍在向“产品化+行业套装”方向转型，纯定制交付的项目型公司生存压力会越来越大。1.4 模型工具链型：专门给淘金者卖铲子和牛仔裤最后一类有点反直觉，它们的目标客户不是企业业务部门，而是其他做AI应用开发的团队。它们提供大模型开发过程中需要的周边工具：数据标注与合成平台、模型评测与安全对齐工具、推理加速与部署方案、可观测性与日志分析系统等。2025年一个有意思的现象是，工具链型公司的增长反而比应用型公司更稳。因为做应用的公司换了一茬又一茬，今天融到钱明天可能就转型了，但所有做应用的公司都需要评测、部署和监控。如果你所在团队自己就在做AI原生应用，工具链型供应商的选型同样重要，它决定了你的研发效率和线上稳定性。这个生态位在国外已经有很成熟的商业形态，国内这几年也慢慢跑出来了一些。生态位类型核心交付物典型客户选型关注点通用底座型API、模型权重、云服务开发者、应用型创业公司迭代速度、API稳定性、开放程度垂直模型/中间件型行业微调模型、中间件平台行业应用开发商、中大型企业评测集积累、版本兼容性、数据飞轮行业应用型成套业务系统、行业解决方案政企、行业头部企业行业Know-how、标准化产品、交付案例模型工具链型评测、部署、可观测工具AI研发团队生态兼容性、自动化程度、成本透明度2. 技术路线的分野：同样叫“大模型应用”，技术底子可能完全不同如果说生态位解决的是“这家公司摆在产业链的哪个环节”，那技术路线解决的就是“它用什么样的技术组合来实现应用效果”。2025年的技术共识已经结束，各家用的大模型底层方案的差异其实没有那么大，真正的差异体现在微调、检索增强、Agent这三种核心路线的侧重上。2.1 微调派：把底座模型改造成行业“专家”微调路线的创业公司核心方法论是：基座大模型能力再强，也是通用能力。想要它在某个垂直领域输出稳定、术语专业、符合规范，就必须用高质量的领域数据对它进行有监督微调，或者用偏好对齐的方式调教它的行为。2025年，低成本微调的技术越来越成熟，比如只训练部分参数的方案已经能让中小创业公司用很小的成本得到不错的行业模型。但这个路线的坑在哪里？我见过好几家微调型创业公司，为了向客户证明自己技术实力，把大量领域数据灌进去训练，结果在评测集上分数很高，到了真实业务场景反而出现严重的幻觉和覆盖不足。原因不复杂：微调能强化模型见过的知识，但对训练数据未覆盖的边角场景，模型的行为没人能保证。所以现在成熟的微调团队在谈项目时，一定会跟你聊“数据覆盖度”和“评测边界”，而不是只聊“效果提升百分之多少”。如果你在选型时听到对方只讲指标不讲边界，就要多留一个心眼了。2.2 检索增强（RAG）派：用可控的知识库换回答的确定性RAG路线在2025年已经“烂大街”了，但这个路线本身的价值被低估了。它的核心思路不追求让模型记住所有知识，而是把知识放在外部知识库里，模型只负责根据检索到的片段来组织回答。这个路线最大的优势是可控性：知识库可以随时更新，回答可以引用来源，幻觉可以被大幅压缩。对于企业场景，RAG其实比微调更刚需。不过这并不意味着RAG没有技术含量。恰恰相反，2025年的RAG已经演进到“高级阶段”了，遇到的主要矛盾从“能不能搜到”变成了“大量资料存在但精确问答效果差”。问题几乎都出在复合查询和长文档理解上，一个查询往往同时涉及多个条件，而长文档里关键信息分散在各个章节，普通的向量检索根本抓不住。做得好的RAG型创业公司，在这一年的技术竞争力已经完全从“换个向量数据库”升级到了重排策略优化、查询改写、摘要树构建这些深水区。选这类公司时，光看知识库截图是没有意义的，一定要用你自己行业的复杂业务问题去实测。2.3 Agent派：从“会聊天”进化为“会办事”Agent是2025年最热的方向，没有之一。技术内核是把大模型从一个文本生成工具，变成能理解任务、拆解步骤、调用工具、执行动作、根据反馈调整策略的数字员工。在实际落地场景里，Agent已经能承担复杂事件分析、异构系统联动、多轮自主排查等任务，远远超出了传统“聊天机器人”的能力范围。但Agent路线也是2025年“概念溢价”最严重的领域。很多公司PPT里的Agent能够独立完成业务全流程，真正到了POC环境，跑通一个中等复杂度的场景就要靠开发人员现场救火。根本原因在于Agent的可靠性工程还很不成熟：任务的拆解是否合理、工具调用的出错率是否符合生产要求、多Agent之间的协作是否存在死锁和循环，这些都是当前最棘手的问题。选Agent方向的供应商，我的建议是不要看任何录屏Demo，而是要求现场准备一个你们的真实业务任务，让它在生产环境里裸跑一遍，跑完之后再决定要不要往下谈。2.4 三种技术路线的选型逻辑与考察要点没有最好的技术路线，只有和最匹配的。这里给一个我实际用的选择框架，在考察供应商时可以带着这几个问题去聊：你的场景是不是要求输出必须可解释、可溯源？如果是，RAG路线优先。你的场景是不是有大量独特术语和固定话术规范？如果是，微调路线更重要。你的场景是不是涉及大量异构系统操作和长流程执行？如果是，Agent路线才有价值。绝大多数实际业务场景，最终都是两两组合甚至三者混合的，所以不必被供应商贴的“我们是Agent公司”或者“我们专注RAG”这类标签牵着走，要问清楚的是它的技术栈里每个环节的成熟度和短板在哪里。技术路线核心优势主要风险适合场景考察关键微调领域风格对齐、术语专业覆盖不全、数据成本高专业内容生成、客服话术评测集边界、数据来源检索增强可控可溯、知识实时更新复杂查询效果波动企业知识库、文档问答复杂问题实测、重排策略Agent自动化执行、流程编排可靠性差、调试复杂业务自动化、运维诊断端到端任务裸跑、失败恢复3. 商业模式的真实度：2025年这些创业公司到底在靠什么赚钱看任何盘点都不能只看技术和产品，商业模式直接决定一家供应商能活多久，而供应商的存活能力对你来说是隐性的风险。这一节我想说说2025年大模型应用创业公司的主流赚钱方式，以及怎么判断它是不是在“赔本赚吆喝”。3.1 订阅制和调用费：看起来很美，但利润不一定美不少创业公司表面上卖的是SaaS订阅或者按调用量计费的API，客单价看着不高，但胜在可以规模化复制。这类模式的问题在于，底座模型的推理成本虽然一直在降，2025年已经比两年前便宜了一个数量级，但对创业公司来说，纯粹的API转售利润已经被压得很薄。你买它一个API，它自己还要向上游底座模型交调用费，中间的毛利率可能只有两成到三成，扣掉销售和研发成本，基本不赚钱。所以一个行业里都知道的判断标准是：如果一家公司只按调用量收费，没有在场景里形成数据资产、没有在交付中沉淀出产品模块，那它的单位经济模型在这种竞争强度下很难长期跑通。选型时可以看看它的报价结构里是否包含平台费、实施费、维护费，一个健康的商业模式通常是混合收入，而不是单纯赌调用量爆发。3.2 项目制交付：现金流最稳，但公司越做越累另一种典型模式是项目制交付，给一家客户做一个定制化系统，收实施费用。2025年大量的行业应用创业公司主要收入还是来自这种模式，尤其是面向政企客户和大型国央企的团队。项目制的优点很明显，现金流稳定，客单价高，不需要靠外部输血就能活下来。缺点同样明显，人力密集、项目周期长、验收扯皮多，本质上是在用人力换收入，不太容易形成标准化复利。对选型方来说，项目制供应商最大的风险在于它产能有限。一旦它同时开工的项目变多，你的项目排期就会被拉长，支持资源也会被稀释。所以在商务谈判阶段，一定要问清楚：当前手上有几个并行项目、实施团队的规模是多少、有没有专门的后台研发团队。最好的情况是这家公司虽然以项目制起家，但已经在往产品化和行业套装的方向转，把交付过的场景沉淀成可配置的标准模块，这样才能在后续版本迭代和服务响应上给你持续保障。3.3 软硬一体模式：绑定场景，护城河与风险并存2025年的一个新变量是软硬一体模式明显变多了。这类公司不卖纯软件，而是把大模型应用装进一体机、边缘盒子、智能终端里，开箱即用。多模态能力下放到端侧的趋势越来越明显，背后靠的是模型压缩和推理加速技术的成熟，一体机方案也因此开始覆盖政务窗口、制造业产线、医疗机构这些对数据安全要求极高、又没法实时连云的场景。选这类公司时，不要光看硬件参数和单机演示，要重点考察三个细节：离线推理的精度损失有多大，在硬件环境受限时效果会不会明显缩水；硬件产品的兼容性如何，不同场景对摄像头、麦克风、传感器型号的要求各异，兼容性直接关系到落地难度；后续模型升级和远程运维的方案是否成熟，一体机类的产品如果模型升级依赖人工现场操作，长期来看运维成本会非常高。3.4 判断一家AI应用公司有没有“造血能力”的三个信号2025年市面上依然不缺顶着AI名号的创业公司，其中有一些本质上是打着大模型旗号的传统外包或者纯关系型生意。判断它是不是真实具备造血能力，我总结过三个信号，比较粗暴，但很管用。第一是看它的客户名单里有没有复购和增购，真正的产品型公司老客户续费率一般都高，收入结构里新客创造的价值占大头的话，说明产品粘性还比较弱；第二是看它的交付周期和回款账期，AI应用的毛利如果做不出来，项目就会拖得很重，一个正常的AI应用项目如果交付期超过六个月又说不清楚原因，这里面大概率有隐形的问题；第三是看它对外宣传和实际技术栈的口径一致性，把合作开发说成完全自研、把开源的微调框架说成独家技术，这类公司即便今天活着，技术信誉上的透支也早晚会在项目合作中反噬。4. 我在选型考察时真正会看的几个维度前面把产业格局和技术路线讲清楚了，接下来是全文最有操作价值的部分。毕竟看一圈外面的分析，最后还是要落到“我该不该选这家公司、怎么选”这个问题上。我在2025年做供应商调研时有一个体会：名气大的团队不一定好用，背景豪华的明星创业公司也可能在产品化上很薄弱。选型不能只看融资名单和创始团队履历，下面的几个维度是我在实操中总结出来的判断基准。4.1 看核心岗位的履历构成：既要算法基因，也要工程和行业基因很多公司喜欢把创始团队里几位算法专家的背景放到最显眼的地方，这个当然重要，但更关键的是看团队里有没有两类人。第一类是工程化背景的人，负责把模型的能力变成稳定运行的服务，负责处理高并发、数据安全、容灾这些东西，如果一家公司全都是科研背景而没有做过大规模系统的人，它的产品在上线后会让你体验到什么叫“科研级可用”；第二类是懂行业业务的人，大模型应用要落进业务流程，往往需要有人能跟业务部门对话，理解规范和痛点，纯技术团队做出来的东西经常在演示时惊艳、在真实业务里别扭。我在考察时不只看创始团队，还会重点问“你们最核心的两三个技术骨干分别负责什么”。如果对方回答得很具体，比如谁负责模型层、谁负责平台层、谁负责某个行业交付线，说明它的组织已经走到了专业化分工的阶段；如果含含糊糊地说“我们团队每个人都全能”，这种公司大概率还处在靠个别人撑场面的阶段。4.2 看Demo演示的一个关键细节：具体任务与开放域回答的比例创业公司Demo水平这两年“卷”出了新高度，现场演示流畅得不像真的，所以看点要更刁钻一些。我建议你在看Demo时偷偷统计一个问题：在对方的演示里，是向着预设好的问题路径推进为主，还是开放式的随机发问为主。如果它的技术负责人愿意让你现场出题，并且能面对刁钻问题坦然描述失败概率和处理策略，这家公司通常是对自己的技术有底气的。另一个细节是看它演示环境的网络和算力。我曾经遇到一家公司，Demo时画面极其流畅，后来聊深了才知道它演示时用的是公网较强的模型服务，到了客户内网环境效果直接打对折。选型时如果不问清楚模型部署形态、推理资源要求和网络依赖，POC阶段很容易被场景迁移的问题杀个措手不及。4.3 看交付全链路：从POC到上线的真实周期与验收标准很多选型方有一个认知偏差，觉得供应商POC做得好，正式项目就一定顺利。实际上POC和正式交付之间隔着一道巨大的鸿沟。POC通常只用少量干净数据跑效果验证，而正式交付要处理的问题往往包括脏数据清洗、权限体系对接、旧系统迁移和用户培训。所以我在帮企业选型时，一定会问供应商几个硬问题：最近的三个项目从签约到上线分别用了多长时间？中间最耗时的是哪个环节？有没有项目因为数据质量或者客户业务部门配合问题而延期？对方如果张口就能讲出具体的复盘，说明它真的是在做项目；如果只能泛泛而谈“我们的算法很先进”，那就是还没有被现实毒打过。还有一个必问项是验收标准。大模型应用的效果存在概率性，同一个问题不同时间问结果可能不一样，所以验收到底以什么为准就极其重要。成熟的供应商会跟你约定评测集、准确率指标、抽检规则和兜底机制；不成熟的供应商只会说“保证好用”这种没法执行的话。4.4 看生态兼容性：底座模型要是换了，你的应用还能不能活最后一个容易被忽视但是长远来看最重要的维度。很多创业公司在项目交付时，把底座模型的能力和外部依赖绑定得很深，导致应用看似是客户自己的，实际上被底座模型掐着命脉。2025年底座模型的格局还有变数，企业肯定希望应用层能保持一定的灵活性和可迁移性。在合同和技术方案上要确认三点：模型的调用是否封装成可替换的接口层，知识库和业务数据是否归客户所有且可导出，Agent流程和业务配置是否与应用层解耦。如果一家公司能做到“模型可替换、数据可带走”，至少说明它的架构是健壮的，也说明它有诚意跟你做长期生意而不是打算锁死你。反过来，如果对方反复强调“我们全套方案都是统一交付的，换掉任何一部分都会出问题”，这就不是优点，是高危警报。5. 避坑指南：2025年我看过的几种典型翻车现场前面四节偏方法论，这一节我想讲几个真实见闻。虽然不能点名具体公司，但下面这几个案例的类型，在这一年的企业选型中反复出现。把这些坑提前列出来，能帮你省下不少预算，也省掉很多扯皮的精力。5.1 把“模型能力”误当成“应用能力”有个客户的管理层很兴奋地开会说，他们看中了一家大模型公司，因为那家公司的模型在很多公开榜单上排名很靠前。但实际上，那家公司的模型能力再强，跟客户要解决的“合同审查自动化”是两码事。模型的榜单分数代表的是“通用知识问答能力”，而应用能力代表的是“把某个组织的业务规则、数据规范和决策流程变成系统功能的能力”。不少企业在这个上面踩坑，签完合同才发现，模型的通用能力并不能直接解决它们复杂的业务逻辑。选型时一定要分清自己买的是底座能力还是应用能力，两者在评估维度和风险上完全不同。5.2 只测准确率，不测延迟、成本和失败率2025年还有一个很典型的场景，POC阶段双方陷在“准确率谁高一点”的比拼上，选了一家准确率最高的供应商。等项目上线才发现，它的推理延迟高到用户无法接受，每次问答要等十几秒，或者单个请求的调用成本是另一家方案的三倍以上。更隐蔽的问题在于失败率：在实际生产环境里，大模型应用的失败包含回答跑偏、流程中断、超时回退等类型，高准确率并不等于高可用。做选型对比时务必把准确率、延迟、成本和失败率放进同一个评估维度里看，最好用统一的测试集和同一台硬件环境跑多轮对比，做到多目标平衡，而不是只盯着算法指标。5.3 忽略了“数据资产”才是应用的天花板大模型应用的效果有“三个七分靠数据”的说法，算法只负责把数据里的知识提取出来，数据本身的完整性、质量和更新机制决定了应用效果的上限。一家公司拥有顶尖的算法团队，和拥有一套健康的数据治理体系，对选型而言后者经常更关键。我见过一个制造业项目，算法团队前后换了三拨，最后发现根本问题在于现场的维修工单数据有一半是不完整或者格式混乱的，再厉害的模型也学不出有效规律。所以在考察供应商时，如果对方只谈模型和算法、绝口不提数据治理方案，那这个项目的天花板会很低。数据清洗方案、知识库更新机制、数据回流闭环，这些才是真正决定项目上限的部分。5.4 合同里没写清楚效果验收标准和运维责任最后一个坑是最常见的，也是最刺痛的。很多AI应用项目合同里的验收条款写得很笼统，比如“系统应能准确回答用户问题”，但大模型回答的“准确”怎么定义？人工抽检还是自动评测？准确率目标定在多少？不同行业不同场景，准确率的可接受范围天差地别。如果这些没有落到纸面上，到验收阶段就会陷入无穷无尽的扯皮，供应商说“效果已经达到行业平均水平”，客户说“我们觉得错误率还是太高”。此外还有运维责任的边界。大模型应用上线之后，模型的迭代升级、知识库的日常更新、异常回答的监控处理，到底归供应商管还是归客户自己的IT团队管？边界不清的话，系统一旦出问题就是一出大型甩锅现场。这些务虚但极其实用的条款，建议在合同阶段就请懂AI领域的法务仔细把关。结尾关于2025年国内大模型应用创业公司的格局和选型参考，前面已经聊得比较透了。最后分享一个我这一年感受最深的变化。早些时候大家普遍说“大模型是机会”，但现在已经明显分化成两条路：一条是把大模型当成技术噱头去包装概念的公司，另一条是真正把它当成业务流程的改造工具、一点一点去抠落地细节的团队。做选型时，我个人判断一个供应商值不值得长期合作，越来越倾向于看它对细节的态度，比如有没有跑通你们行业的脏数据，能不能说清楚自己方案在边界条件下的回退策略，愿不愿意在合同里把验收标准写得清清楚楚。技术日新月异，但做生意和做系统的底层逻辑从来都朴素而踏实。希望这篇基于真实走访和项目经验写成的盘点，能给正在做选型决策的你提供一个不一样的观察坐标。